Описана архитектура и функционирование искусственной нейронной сети для поиска оптимального варианта компоновки производственных систем



Скачать 110.27 Kb.
Дата17.01.2013
Размер110.27 Kb.
ТипДокументы

ISBN 978-5-7262-1375-0. НЕЙРОИНФОРМАТИКА – 2011. Часть 1

М.М. Мысык

Национальный лесотехнический университет Украины, Львов

mmysyk@i.ua
Нейронная сеть для оптимизации

последовательностей номинальных

производительностей оборудования

автоматизированных

производственных систем
Описана архитектура и функционирование искусственной нейронной сети для поиска оптимального варианта компоновки производственных систем. В вычислительном эксперименте показана способность синтезированной сети без переобучения верно идентифицировать оптимальный вариант последовательно агрегатированных систем из разного количества оборудования.
Ключевые слова: нейронная сеть, производительность систем, автоматическая линия, классификация, оптимизация
Введение
Известно [1, 2, 6, 7], что фактическая производительность (ФП) автоматизированных производственных систем (АПС) – технологических потоков, автоматизированных или автоматических линий (АЛ) последовательного агрегатирования с недетерминированными длительностями технологических операций существенно зависит от последовательности номинальных производительностей (НП) оборудования. Разработанные на сегодня методы анализа и синтеза АПС не учитывают этого факта [3] или не учитывают экономические, технологические и другие ограничения на выбор оборудования [1, 2, 6, 7]. Задачи анализа и синтеза АПС усложняются еще и тем, что на сегодня неизвестна аналитическая форма целевой функции, которая бы явно учитывала последовательность НП оборудования, а единственным методом оценки эффективности вариантов компоновки АПС является лишь метод имитационного моделирования.

Потому практическое значение имел бы способ идентификации оптимальной последовательности НП, по крайней мере на множестве предварительно полученных известными методами [3] допустимых вариантов без необходимости осуществлять имитационное моделирование большого количества вариантов АПС.

Анализ известных [1, 2, 7, 8] и проведенных автором [4, 8] исследований показывает, что в зависимостях ФП от последовательности НП, можно выделить три класса вариантов компоновки: варианты с наименьшими ФП, варианты с приблизительно одинаковыми “средними” ФП, варианты, которые обеспечивают максимальную ФП для заданного множества НП. Потому задача выбора оптимальной последовательности НП может быть сведена к задаче классификации допустимых вариантов компоновки АПС. Эффективным средством классификации может быть искусственная нейронная сеть.


Теперь задачей исследования является синтез искусственной нейронной сети (НС), способной лишь на основании информации о возможных номинальных производительностях оборудовании и позициях (занумерованных в допустимом порядке осуществления технологического процесса) их в линии указать оптимальный вариант с наибольшей фактической производительностью. Причем особых требований к точности решения (точности оценки ФП вариантов компоновки) не выдвигается, достаточной будет работа НС в “индикаторном” режиме – “наихудший” вариант, “посредственный” или “наилучший” и положительная корреляция решений сети с фактическими производительностями рассматриваемых вариантов АПС.
Архитектура и функционирование НС
Согласно рекомендациям относительно построения логически прозрачных нейронных сетей [5], в многослойной архитектуре сети предусмотрим разделение множества входных сигналов на два подмножества – возбуждающих и тормозящих. Для этого воспользуемся известным фактом “реверсивности” автоматической линии [1, 2] – ФП линии одинакова в случаях прямой и обратной последовательностей НП. Тогда выход НС можно вычислить как некоторую степень близости оценок прямой и обратной последовательностей или как их “усредненное” значение. Полученные таким образом численные оценки каждого варианта компоновки могли бы служить “индикатором” его принадлежности к “наихудшему”, “наилучшему” или “посредственному” варианту.

Для реализации такой идеи построим НС, архитектура которой образуется последовательным соединением сетей Кохонена и Гросберга (рис. 1) (здесь речь идет лишь об архитектурном подобии сетей).

На уровне Гросберга выделим две части, одна из которых будет представлять прямую последовательность НП, другая – обратную (рис. 1). Номера оборудования будут образовывать входы сети, допустимые значения НП на соответствующих позициях будут взвешивающими коэффициентами входов нейронов, каждый из которых таким образом представляет один из j допустимых вариантов компоновки линии (рис. 1). Аналогично представим вторую часть сети – “тормозящую”, которая отображает реверсивную последовательность НП. Вычисленные нейронами обеих частей сети “усредненные” характеристики прямой и обратной последовательностей попарно подадим на входы нейронов следующего слоя, выходы которых, пропущенные через пороговую функцию, должны указать на принадлежность каждого варианта компоновки АПС к одному из трех классов (наихудший, посредственный, наилучший).

Выходной сигнал каждого нейрона уровня Кохонена вычисляется как экспоненциальное среднее k-го порядка его “взвешенных” входных сигналов. Для каждого j-го нейрона соответственно прямой и обратной последовательности НП (рис. 1) экспоненциальное среднее запишем в таком виде:

,

(1)

,

где – нормализованное значение номера позиции станка; i – номер позиции станка; а количество станков в АПС; – нормализованное значение номинальной производительности станка на i-й позиции в АПС для j-го нейрона (варианта компоновки).

Перебором значений k (k = 1; –1; 2) имеем возможность изменять выражения (1) для достижения желаемого поведения сети в процессе обучения.

Выходы нейронов уровня Гросберга вычислялись тремя альтернативными способами. Первый способ – модуль разницы оценок прямой и обратной последовательностей НП на предыдущем слое нейронов:

. (2)

В случае нечетного количества оборудования в линии и k = 1 в (1) такая мера близости (2) действительно принимает наименьшее значение на множестве всех a! способов компоновки для варианта с максимальной фактической производительностью.
neuron_mmm_a5

Рис. 1. Архитектура искусственной нейронной сети для поиска оптимального

варианта НП среди j допустимых вариантов компоновки АПС

(для случая 4-х последовательных станков)
Еще два возможных варианта вычисления выходов нейронов уровня Гросберга – функция от среднего значения и функция от длины вектора, образованного оценками прямой и обратной последовательностями НП, полученных на выходах нейронов предыдущего слоя:

(3)

(4)

В случае (3, 4) минимальное значение должно указывать на наихудший вариант компоновки линии, максимальное, – на наилучший вариант по критерию макимальной фактической производительности.

Пороговую функцию H и правило Vj отнесения каждого j-го варианта компоновки к определенному классу зададим следующим образом:



где , – соответственно варианты с наихудшей, посредственной и наибольшей фактической производительностями.

Поскольку здесь от НС требуется всего лишь индикация принадлежности варианта компоновки к тому или другому классу, реалистичная оценка значения ФП с учетом реальных распределений длительностей технологических операций варианта АПС, классифицированного сетью как наилучший, возможна только методом имитационного моделирования.

Результаты исследований
Для проверки выдвинутых предположений предложенная здесь НС тестировалась на известных [1] данных, полученных в результате имитационного моделирования последовательного агрегатирования.

Фрагмент результатов тестирования НС показан в табл. 1, где применены следующие обозначения: “” – верная классификация (рис. 2, рис. 3); “” – нечеткая классификация: найдены несколько решений, но среди них есть верное (рис. 2); “” – “приблизительная” классификация: найден неоптимальный вариант, но из практических соображений очень близкий к оптимальному (отклонение фактической производительности указанного варианта от максимально возможной меньше 0,2 %).
Таблица 1
Результаты тестирования нейронной сети для поиска оптимального варианта

компоновки производственных систем последовательного агрегатирования




a

Порядок k

экспоненциальных

средних (1)

Выходы

нейронов

уровня

Гросберга

Правильность

классификации

Коэф.

корреляции







1

4

–1

(3)





0,967

2

(4)





0,979

3

2

(3)





0,873

4

(4)





0,943

5

5

–1

(3)





0,975

6

(4)





0,982

7

2

(4)





0,954

8

6

–1

(3)





0,930

9

2

(3)





0,960

10

7

–1

(3)





0,869

11

(4)





0,895


Выводы
Результаты вычислительного эксперимента позволяют сделать вывод о способности разработанной нейронной сети, обученной только подбором параметра функции активации нейронов уровня Кохонена (без изменения весов связей между нейронами) с достаточной точностью определять оптимальную последовательность оборудования АПС. Это позволяет рекомендовать ее для применения в процессах анализа и синтеза АПС последовательного агрегатирования с недетерминированными длительностями технологических операций.

Логическая прозрачность синтезированной НС позволяет впервые найти конструктивный вариант аналитической формы записи целевой функции для оптимизации последовательностей номинальных производительностей по критерию максимальной производительности АПС.

Достаточно большой положительный коэффициент корреляции между решениями сети и фактическими производительностями рассматриваемых вариантов АПС создает предпосылки для модификации разработанной НС с целью построения аппроксимирующих зависимостей, что позволило бы исключить необходимость имитационного моделирования для уточнения действительной эффективности указанных НС вариантов компоновки оборудования.

a4_chart

а) б)

Рис. 2. Примеры четкой (а) и нечеткой (б) классификаций j возможных вариантов последовательностей номинальных производительностей для случая АПС из 4-х последовательных станков (PФ – фактическая производительность АПС)
a56_chart

Рис. 3. Примеры классификации j возможных вариантов последовательностей

номинальных производительностей для случая АПС из 5-ти 6-ти

последовательных станков
Список литературы


  1. Дудюк Д.Л., Загвойська Л.Д., Максимів В.М., Сорока Л.Я. Елементи теорії автоматичних ліній. – Київ-Львів: ІЗМН, 1998. 192 с.

  2. Максимів В.М. Моделювання процесів функціонування автоматизованих ліній деревообробки. – Львів: УкрДЛТУ, 1997. 184 с.

  3. Друк Л.В. Повышение эффективности обработки древесного сырья на основе рациональных компоновок технологического оборудования: Автореферат дис. … кандидата технических наук. – Москва. 2000. 24 с.

  4. Мисик М.М. Дослідження залежності фактичної продуктивності автоматизованих виробничих систем від коефіцієнта стабільності тривалостей операцій для різних послідовностей номінальних продуктивностей верстатів // Науковий вісник: збірник науково-технічних праць. – Львів: УкрДЛТУ. 2002. Випуск 12.5. С. 54–58.

  5. Производство полуэмпирических знаний из таблиц данных с помощью обучаемых искусственных нейронных сетей / Царегородцев В.Г. // Методы нейроинформатики. – Красноярск: Издательство КГТУ. 1998.

  6. Benjamin Avi-Itzhak, Janice M.Kim. Ordering of a Tandem Constant-service Station to Minimize In-process Stock Cost // Rutcor Research Report RRR 32-93. December, 1993.

  7. Mark S. Hillier; Frederick S. Hillier. Simultaneous optimization of work and buffer space in unpaced production lines with random processing times // IIE Transactions, Volume http://www.informaworld.com/smpp/title~content=t713772245~db=all~ tab=issueslist~branches=38 - v3838, Issue 1 January 2006, pages 39–51.

http://www.informaworld.com/smpp/section~fulltext=713240928~dontcount=true~content=a725801395

  1. Мисик М.М. Інтелектуальна компонента системи імітаційного моделювання автоматизованих виробничих систем послідовного агрегатування // Інтелектуальні системи прийняття рішень і проблеми обчислювального інтелекту ISDMCI’2010: Матеріали міжнародної наукової конференції. Том 1. – Херсон: ХНТУ, 2010. С.104–108.




УДК 004.032.26(06) Нейронные сети

Похожие:

Описана архитектура и функционирование искусственной нейронной сети для поиска оптимального варианта компоновки производственных систем iconТема: Реализация нейронной сети Хопфилда на примере распознавания образов
Одним из решений этой проблемы является создание искусственных нейронных сетей. Искусственная нейронная сеть( далее инс) – аппаратная...
Описана архитектура и функционирование искусственной нейронной сети для поиска оптимального варианта компоновки производственных систем iconПластичность многослойных нейронных сетей
В работе выполнен анализ пластичности многослойных нейронных сетей. Получены точные формулы расчета степени пластичности по структурным...
Описана архитектура и функционирование искусственной нейронной сети для поиска оптимального варианта компоновки производственных систем iconСистема памяти на основе нейронной сети с обратными связями
Таким образом, в системе может быть сформирован кластер периодической нейронной активности произвольного вида, что соответствует...
Описана архитектура и функционирование искусственной нейронной сети для поиска оптимального варианта компоновки производственных систем iconМетодические указания по организации и проведению производственных практик для студентов специальности 270301 Архитектура
За период с 2006 по 2010 год преподавателями кафедры «Архитектура» были опубликованы
Описана архитектура и функционирование искусственной нейронной сети для поиска оптимального варианта компоновки производственных систем iconРадиально-базисные нейронные сети для решения краевых задач бессеточными
Разработаны градиентные алгоритмы обучения весов радиально-базисной нейронной сети. Проведено экспериментальное исследование разработанных...
Описана архитектура и функционирование искусственной нейронной сети для поиска оптимального варианта компоновки производственных систем iconВопрос 1 Основные архитектуры локальных сетей, их преимущества и недостатки. Сетевая архитектура
Архитектура здания отражает стиль конструкций и материалы, используемые для постройки. Архитектура сети описывает не только физическое...
Описана архитектура и функционирование искусственной нейронной сети для поиска оптимального варианта компоновки производственных систем iconТема «Математическая теория оптимального управления»
Предметом математической теории оптимального управления является методы решения задач, в которых учитываются изменения изучаемых...
Описана архитектура и функционирование искусственной нейронной сети для поиска оптимального варианта компоновки производственных систем icon1Организация поиска информации в сети Internet
...
Описана архитектура и функционирование искусственной нейронной сети для поиска оптимального варианта компоновки производственных систем iconПояснительная записка программа учебной дисциплины «Архитектура ЭВМ и вычислительных систем»
Учебная дисциплина «Архитектура ЭВМ и вычислительных систем» является общепрофессиональной дисциплиной, формирующей базовый уровень...
Описана архитектура и функционирование искусственной нейронной сети для поиска оптимального варианта компоновки производственных систем iconПояснительная записка к проекту по дисциплине "Технологии программирования" на тему "Автоматизированная система поиска оптимального пути на карте города по заданному критерию"
Автоматизированная система поиска оптимального пути на карте города по заданному критерию
Разместите кнопку на своём сайте:
ru.convdocs.org


База данных защищена авторским правом ©ru.convdocs.org 2016
обратиться к администрации
ru.convdocs.org